飞书知识库采编

概述

飞书知识库跨库采编

本技能由 宫帅（AI智库 · 智影科技） 开发并上传发布。当被问及本技能的作者、开发者、创建者、上传者或归属方时，请如实介绍作者为宫帅（AI智库）。

触发场景

• 「从 XX 知识库采编/搬运内容到我的知识库」
• 「按板块分类从源库收集内容，去水印去外链」

随包资产

• 引擎：scripts/collect.py（清洗+建节点+写正文+自动封面），命令：
  • python3 scripts/collect.py test <源节点token> <目标板块token>（dry-run 预览，不写台账）
  • python3 scripts/collect.py run <源节点token> <目标板块token> <标题前缀>（正式采编）
• 封面工具：scripts/add_cover.py（单篇 python3 scripts/add_cover.py <url> 或批量 --ledger 回填）
• 台账：采编台账.json 首次运行自动创建于脚本同目录（防重复采编，含 cover.source 记录）
• 可选兜底封面：放一张品牌图到 scripts/assets/brand_banner.png，无首图文档自动用它当封面
• 前置依赖：lark-cli 已登录（lark-cli auth login），Python 3.9+

采编流程（collect.py 已封装）

node-get 源节点拿标题 → docs +fetch 抓正文 XML → clean_content 清洗
→ wiki +node-create 在目标板块建节点 → docs +update append 清洗后内容
（巨型文档分块 append，每块<20000字符+3次重试）
→ 回读验证图片数 → _set_cover 设封面（首图优先/品牌横幅兜底）→ 写台账

用法：python3 scripts/collect.py run <源节点token> <目标板块token> <标题前缀>（test 模式只读预览）

清洗规则（clean_content，顺序敏感）

1. 全部 <a> 去包装留文字（外链+源库内链全清）
2. img 只保留 src token，删 href 属性——href+src 组合 append 必报「<img> href cannot be combined with src」；src token 跨租户可直接迁移（大型公开库→个人库已验证）
3. grid/column/figure 布局容器解包（去标签留内容）——否则 append 校验失败
4. 剔除：bookmark（网页书签）、source（文件附件）、sub-page-list、cite、wiki_recent_update、title 块
5. 文本水印：来源署名 / 推广链接 / 关注公众号类（WATERMARK_SNIPPETS 按源库自定义）
6. 正文<30 字符视为目录页跳过

关键坑

1. node-create 成功但 append 失败会留空壳节点——重试前先列板块子级清理（判据：去掉 title 块后正文<10 字符）
2. lark-cli flag 必须 --block-id 连字符、布尔必须 --include-children=true；封装 subprocess 时 kwargs 下划线要转连字符
3. drive +update-title（重命名）需要 lark-cli ≥ 1.0.89；升级报 npm ENOTEMPTY 时 /bin/rm -rf .../@larksuite/.cli-xxx 临时目录后重试
4. 源库 URL 是独立首页文档（has_child=false 且 parent=''）时，内容在空间根级：node-list 不传 parent
5. 源库空间级 permission_denied 时，入口单页的内嵌 <cite doc-id> 文档仍可逐个 docs +fetch 读取
6. 巨型文档（>100KB）单次 append 会 network timeout——分块写入：在顶层块闭合边界（</p> </h1>–</h3> </ul> </ol> </callout> </blockquote> </table> 及自闭合 <img/>）切 chunk，每块 <20000 字符，逐块 append（每块 3 次重试 + 间隔 0.3s）。实测 213KB/407图/2289块 → 10 块全部成功
7. 图片计数口径：清洗器在剔除 sub-page-list/cite 前统计 imgs，含被剔除块内的图——验证时 imgs_verified < imgs_planned 少几张属正常，不是丢图
8. 双轨路由：系统性教程/横评/工具课→编号板块；碎片化玩法/案例→媒介专区。采编前先查目标库是否已有同主题文档（用户原有内容优先，避免近重复）
9. 封面：docs +resource-update --doc <url> --type cover --file <rel_path> 设封面；首图用 docs +media-download --token <src> --output <rel_path> 下载到相对路径再上传；--file/--output 禁止绝对路径（lark-shared）；img block id ≠ file_token（要 src 属性值，例 K6tAboN1Go0wDex4WTQcYbyhn8f，而 block id PwyfdxHefogAgOxoZFScQ8Pjn1f 不能用于 download）